Efficiency comparison of two algorithms for counting intranuclear protein foci

Obserwacja występowania w genomie niebezpiecznych uszkodzeń DNA, w tym dwuniciowych pęknięć, dostarcza wielu istotnych informacji o zróżnicowanych mechanizmach naprawczych, zachodzących w komórkach. Jest ona możliwa dzięki występowaniu specyficznych markerów białkowych, ściśle powiązanych z reakcją na uszkodzenia DNA, które można szczegółowo wykryć przy pomocy mikroskopii konfokalnej. Na przestrzeni ostatnich 30 lat udostępniono wiele narzędzi, służących do analizy obrazu. Z biegiem czasu programy te były udoskonalane, a praca automatyzowana. Kolejnym dużym krokiem milowym w ich rozwoju będzie wdrożenie do powszechnego użytku algorytmów opartych o głębokie uczenie. W niniejszej pracy porównano działanie popularnego oprogramowania, powszechnie stosowanego w laboratoriach analizy obrazu, z nowoczesnym algorytmem, opartym o neuronową sieć U-Net. Wykazano różnice zarówno w obsłudze tych programów, oraz w generowanych przez nie wynikach. Wraz z rozwojem algorytmów głębokiego uczenia, a w szczególności z pozbawioną istotnych błędów pełną automatyzacją pracy, powinny one wypierać tradycyjne rozwiązania. Warto natomiast przyjrzeć się różnicom bliżej, aby zaobserwować obszary, w których tradycyjne oprogramowanie nadal sprawdza się lepiej.

The observation of DNA damage in the genome, including dangerous double-strand breaks, provides a lot of important information about the various repair mechanisms in cells. It is possible due to presence of markers that are specifically associated with such DNA damage. These markers can be detected with a confocal microscope. Over the last 30 years, many image analysis tools have been released and then improved through automation. The implementation of deep learning algorithms for general use will be a breakthrough. This paper compares the work of popular software, commonly used in image analysis laboratories, with a modern algorithm based on the U-Net neural network. Differences were found both in the use of these programs and the results generated by them. With the development of deep learning algorithms, especially with full automation of work, they should replace traditional solutions. In addition, it is worth taking a closer look at the differences to see areas where verified software still performs better.